Sebastian Ruder 博士的答辩 PPT《Neural Transfer Learning for Natural Language Processing》介绍了面向自然语言的迁移学习的动机、研究现状、缺陷以及自己的工作。
Sebastian Ruder 博士在 PPT 中阐述了使用迁移学习的动机：
state-of-the-art 的有监督学习算法比较脆弱：
易受到对抗样本的影响
易受到噪音数据的影响
易受到释义的影响
现实中的自然语言处理面临着多领域、多语种上的多种类型的任务，为每个任务都单独进行数据标注是不大可行的，而迁移学习可以将学习的知识迁移到相关的场景下
许多基础的前沿的 NLP 技术都可以被看成是迁移学习：
潜在语义分析 （Latent semantic analysis）
预训练词向量（Pretrained word embeddings）
已有的迁移学习方法往往有着下面的局限性：
过度约束：预定义的相似度指标，硬参数共享
设置定制化：在一个任务上进行评价，任务级别的共享策略
弱 baseline：缺少和传统方法的对比
脆弱：在领域外表现很差，依赖语种、任务的相似性
低效：需要更多的参数、时间和样本
因此，作者认为研究迁移学习需要解决下面的这些问题：
克服源和目标之间的差距
引起归纳偏置
结合传统和现有的方法
在 NLP 任务中跨层次迁移
泛化设置
作者围绕迁移学习做了 4 个方面的工作：
领域适应（Domain Adaption）
跨语种学习（Cross-lingual learning）
多任务学习（Multi-task learning）
序列迁移学习（Sequential transfer learning）
具体内容可在 Sebastian Ruder 博士的完整答辩 PPT 中查看。
